Faster R-CNN

免责声明：本存储库提供了官方的Faster R-CNN代码（使用MATLAB编写）。如果您的目标是复现NIPS 2015论文中的结果，请使用此代码。该存储库还包含了对MATLAB代码的Python重新实现，基于某些分支构建，二者之间有细微差别。特别是，Python实现的测试速度比MATLAB实现慢约10%，因为某些操作在CPU上的Python层执行（例如，220ms/图像，而VGG16为200ms/图像）。这种差异导致与MATLAB版本相比，mAP表现不完全相同，但仍然较为接近。使用MATLAB代码训练的模型与此Python实现可能不兼容。此Python实现源自Sean Bell（康奈尔大学）

详细介绍如何在 VS2013 环境下，利用 Cuda7.5 和 OpenCV2.4.9，重新编译 Faster R-CNN 的 Caffe 库。

Matlab分时代码经过修改，使得快速R-CNN能在无bbox注释的弱监督环境下运行。快速R-CNN是由Redmond的Microsoft Research的Ross Girshick开发的基于快速区域的卷积网络，用于对象检测。该框架训练速度显著优于传统的R-CNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。

此处提供了tf-Faster-RCNN Faster R-CNN的Python 3 / TensorFlow实现，包括灰度处理代码。这个端到端的TensorFlow应用程序基于深度模型，可在Python 3.5+和TensorFlow v1.0环境中运行。推荐在Ubuntu 16及以上版本上使用，但其他Linux发行版的兼容性尚未测试。

天津大学机器学习与数据挖掘团队倾情奉献，带你探索 CNN 的奥秘，并通过 Caffe 深度学习框架进行实践。

该MATLAB框架实现了忆阻器在手写体识别中的应用，包括5级CNN和3级ConvLSTM的前馈和循环卷积网络。作者包括Daniel Belkin、李灿、聂永阳、宋文浩和王忠瑞，顾问为J. Joshua Yang教授和夏强飞教授。代码已在Mathworks Matlab R2017b上进行测试，并提供了演示脚本。

这个项目是我设计的，包含了GUI界面，功能完美运行，适合初学者和有经验的学生进阶学习。欢迎大家下载使用，具有高度的学习和参考价值。该资源适用于计算机、通信、人工智能和自动化等领域的学生、教师和从业者，可作为期末课程设计、课程大作业或毕业设计的参考。对于具备基础能力的人士，可以在此基础上进行修改，实现不同的功能。

CNN源码Matlab Fast2D-3D面部跟踪使用CNN进行快速2D和3D面部跟踪。单击演示视频的图像，该视频由在CC0许可下发布的免费版权视频制作而成。消息演示视频已上传。我还在研究这个软件。很快就会上传。对于2D面部标志检测，我们使用WingLoss驱动的简单CNN-6模型。安装先决条件：MTCNN用于MTCNN的Caffe卷积神经网络，eos MATLAB > 2017a执照。

基于Python3.7和Pytorch1.7.1 多分类，采用深度学习

这些代码是基于卷积神经网络的水果图像处理示例，作为论文“卷积神经网络应用于水果图像处理的回顾”，Applied Sciences，10（10）：3443（2020）的一部分而实现的。展示了水果分类和质量控制示例的实现方法，同时使用预训练模型进行了转移学习。示例以简单方式演示了CNN模型的实现方法，并且代码已注释并提供了描述性信息。详情请阅读原论文，也可在我们的实验室LITRP网站上获取代码。